TIPS dan TRIK

BERBAGAI METODE
REGRESI BERGANDA

UJI REGRESI BERGANDA (untuk lebih dari dua

variabel bebas)
Sekarang akan ditampilkan uji regresi ganda dengan banyak variabel bebas.
SPSS menyediakan berbagai metode perhitungan persamaan regresi ganda
dengan banyak variabel, seperti bakward Elimination, Forward Elimination
dan Stepwise Method. Dalam kasus akan dibahas penggunaan ketiga metode
diatas.
Kasus:
P.T. CEMERLANG dalam beberapa bulan gencar mempromosikan sejumlah
peralatan elektronik dengan membuka outlet-outlet di berbagai daerah.
Berikut adalah data mengenai Penjualan, Biaya promosi, Jumlah Outlet, laju
penduduk, jumlah pesaing dan income masyarakat yang ada di 15 daerah di
Indonesia:
Daerah

Sales

Promosi

Outlet

Laju_pen

Pesaing

Income

JAKARTA

205

26

159

2.00

15

5.46

TANGERAN
G

206

28

164

1.50

16

2.43

BEKASI

254

35

198

1.75

19

2.56

BOGOR

246

31

184

1.64

17

3.55

BANDUNG

201

21

150

2.65

11

4.35

SEMARANG

291

49

208

1.45

24

3.65

SOLO

234

30

184

1.67

16

3.44

YOGYA

209

30

154

2.74

10

2.55

SURABAYA

204

24

149

1.35

14

4.79

PURWOKER
TO

216

31

175

2.13

14

2.53

MADIUN

245

32

192

2.64

11

2.75

TUBAN

286

47

201

1.63

19

2.53

MALANG

312

54

248

2.53

21

3.51

KUDUS

265

40

166

2.54

18

2.81

PEKALONG
AN

322

42

287

1.53

18

3.01

Perbedaan dengan kasus terdahulu (LIHAT BUKU) adalah adanya tambahan

tiga variabel yang baru:
a.

Laju Penduduk suatu Daerah, dengan satuan % tiap tahun.

b.

Jumlah Kompetitor (pesaing), dengan satuan Kompetitor.

c.

Pendapatan rata-rata penduduk suatu daerah, dengan satuan Juta Rupiah

per tahun.

Penyelesaian:
Disini karena akan diketahui besar hubungan atau seberapa jauh Biaya
Promosi Luas Outlet, Laju pertambahan Penduduk, Kompetitor dan Income
Penduduk berpengaruh terhadap Penjualan P.T. CEMERLANG, maka akan
dilakukan uji regresi, dengan variabel dependen adalah Sales/Penjualan, dan
variabel independen adalah kelima variabel diatas. Karena ada lebih dari satu
variabel independen, maka uji regresi tersebut dinamakan uji regresi
berganda.
1.

Pemasukan Data ke SPSS

Karena isi data regresi berganda sama dengan regresi sederhana, dengan
tambahan tiga variabel, maka tidak perlu dilakukan pemasukan data ulang.
Inputing hanya dilakukan untuk menambah ketiga variabel baru tersebut.
Langkah-langkah:
o

Buka lembar regresi_sederhana.

Prosedur menambah tiga variabel:

Klik mouse pada sheet tab Variable View

bawah, atau langsung tekan CTRL-T.

yang ada dibagian kiri

Tampak di layar:

Gambar 1. Variable View

Pengisian:
Variabel LAJU_PEN
Karena ini variabel kelima, tempatkan pointer pada baris 5.
Name. Sesuai kasus, ketik laju_pen.
Decimals. Untuk keseragaman, ketik 0.
Variabel PESAING
Karena ini variabel keenam, tempatkan pointer pada baris 6.
Name. Sesuai kasus, ketik pesaing.
Decimals. Untuk keseragaman, ketik 0.
Variabel INCOME
Karena ini variabel keenam, tempatkan pointer pada baris 6.
Name. Sesuai kasus, ketik income.
Decimals. Untuk keseragaman, ketik 0.
Abaikan bagian yang lain. Kemudian tekan CTRL-T untuk kembali ke
DATA VIEW.
2.

Mengisi data:

Letakkan pointer pada baris kelima variabel LAJU_PEN, lalu isi data sesuai
kasus diatas (tentu variabel ini berupa sebuah angka). Demikian untuk dua
variabel tambahan yang lain.
Kemudian simpan data diatas dengan nama regresi_berganda_2
3.

Pengolahan Data dengan SPSS:

Dalam bab ini akan dilakukan tiga cara mencari persamaan regresi berganda
(Multiple Regression), yaitu:
o

Backward Elimination

Forward Elimination

Stepwise Elimination

1. BACKWARD ELIMINATION
Langkah-langkah:
o

Buka file regresi_berganda_2.

Dari Menu Utama SPSS, pilih menu Analyze, kemudian pilih sub-menu
Regression. Dari serangkaian pilihan test untuk regresi, sesuai kasus
pilih Linear... Tampak di layar:

Gambar 2. Kotak Dialog Linear Regression

Pengisian:
Dependent; masukkan variabel sales.
Independent(s) atau variabel bebas. Dalam hal ini masukkan
variabel outlet, laju_pen, pesaing dan income.
Case Labels; masukkan variabel daerah.
Method atau cara memasukkan/seleksi variabel. Sesuai kasus, pilih
Backward.
Pilih kolom Statistics dengan klik mouse pada pilihan tersebut.
Tampak di layar:

Gambar 3. Pilihan Statistics

Pilihan ini berkenaan dengan perhitungan statistik regresi yang akan
digunakan. Perhatikan default yang ada di SPSS adalah Estimates
dan Model fit. Pengisian:
o

Regression Coefficient atau perlakuan koefisien regresi, pilih

default atau ESTIMATE.

Klik mouse pada pilihan Descriptive dan Collinearity

diagnostics pada kolom sebelah kanan, selain pilihan Model
fit.

Pilihan Residuals dikosongkan saja

Klik Continue untuk kembali ke kotak dialog utama.

Pilihan-pilihan yang lainnya untuk keseragaman tidak dibahas disini.
Tekan OK untuk proses data.
Output SPSS dan Analisis:
Simpan output dengan nama regresi_berganda_back.
ANALISIS:
Berikut output bagian pertama dan kedua dari analisis regresi berganda:
Descriptive Statistics

SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI

Mean
246.40
3.3280
1.9833
187.93
16.20
34.67

Std.
Deviation
41.11
.9221
.5070
38.09
3.88
9.68

N
15
15
15
15
15
15

Correlations

Pearson
Correlation

Sig.
(1-tailed)

SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI

SALES
1.000
-.287
-.143
.901
.744
.916
.
.150
.305
.000
.001
.000
15
15
15
15
15
15

INCOME
-.287
1.000
-.111
-.252
-.073
-.339
.150
.
.347
.183
.397
.108
15
15
15
15
15
15

LAJU_PEN
-.143
-.111
1.000
-.199
-.495
-.062
.305
.347
.
.238
.030
.413
15
15
15
15
15
15

OUTLET
.901
-.252
-.199
1.000
.574
.735
.000
.183
.238
.
.013
.001
15
15
15
15
15
15

PESAING
.744
-.073
-.495
.574
1.000
.796
.001
.397
.030
.013
.
.000
15
15
15
15
15
15

PROMOSI
.916
-.339
-.062
.735
.796
1.000
.000
.108
.413
.001
.000
.
15
15
15
15
15
15

Analisis:
Descriptive Statistics
Bagian ini menjelaskan ringkasan statistik singkat masing-masing variabel.
o

Rata-rata Sales (dengan jumlah data 15 buah) adalah Rp. 246,4 juta
dengan standar deviasi Rp. 41,11 juta.

Rata-rata Income (dengan jumlah data 15 buah) adalah Rp. 3,328 juta
dengan standar deviasi Rp. 922.100,-

Rata-rata Laju Penduduk (dengan jumlah data 15 buah) adalah 1,9833%

dengan standar deviasi 0,507%.

Luas outlet rata-rata (dengan jumlah data 15 buah) adalah 187,93 m 2

dengan standar deviasi 38,09 m2.

Rata-rata Biaya Promosi (dengan jumlah data 15 buah) adalah Rp. 34,67
juta dengan standar deviasi Rp. 9,68 juta.

Pesaing rata-rata (dengan jumlah data 15 buah) adalah 16,2 buah, dan
dibulatkan 17 kompetitor dengan standar deviasi 3,88.

Korelasi:
o

Lihat kolom satu:

Besar hubungan antar variabel Sales dengan variabel bebas, dengan
diurutkan dari terbesar ke terkecil:
Promosi = 0,916
Outlet = 0,901
Pesaing = 0,744

 Income = 0,287 (tanda hanya menunjukkan arah hubungan

yang berlawanan)
Laju penduduk = 0,143 (tanda hanya menunjukkan arah
hubungan yang berlawanan).
Hal ini menunjukkan variabel pesaing dan laju penduduk mempunyai
korelasi yang lemah (dibawah 0,5).
o

Terjadi korelasi yang cukup kuat antara variabel Promosi dengan Outlet
dan Pesaing (korelasi antar variabel tersebut diatas 0,5). Hal ini
menandakan adanya multikolinieritas, atau korelasi diantara ketiga
variabel bebas tersebut.

Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari
probabilitas) menghasilkan angka yang bervariasi, dengan catatan
variabel laju penduduk dan income tidak berkorelasi secara signifikan
(mempunyai nilai signifikansi diatas 0,05) dengan variabel lainnya.

Bagian ketiga dan keempat dari output diatas:

Variables Entered/Removedb

Model
1

Variables
Variables
Entered
Removed
PROMOSI,
LAJU_PE
N,
.
INCOME,
OUTLET,a
PESAING

INCOME

LAJU_PE
N

PESAING

Method

Enter

Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).
Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).
Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).

a. All requested variables entered.

b. Dependent Variable: SALES

Analisis:
Metode backward dimulai dengan memasukkan semua variabel (lihat Model
1 yang mempunyai keterangan ENTER). Kemudian dilakukan analisis dan
variabel yang tidak layak masuk dalam regresi dikeluarkan satu persatu.

Model ke 2 menyatakan bahwa variabel yang dikeluarkan (removed) adalah

variabel Income. Kemudian pada Model ke 3, variabel laju_pen yang
dikeluarkan. Pada Model ke 4 atau terakhir, variabel pesaing yang
dikeluarkan.
Dengan demikian, setelah melewati 4 tahapan, variabel bebas yang layak
dimasukkan dalam model regresi adalah variabel Promosi dan Outlet.
Model Summarye

Model
1
2
3
4

R
R Square
.976a
.954
.976b
.953
c
.976
.953
d
.976
.952

Adjusted
R Square
.928
.935
.940
.944

Std. Error
of the
Estimate
11.05
10.50
10.07
9.76

a. Predictors: (Constant), PROMOSI, LAJU_PEN,

INCOME, OUTLET, PESAING
b. Predictors: (Constant), PROMOSI, LAJU_PEN,
OUTLET, PESAING
c. Predictors: (Constant), PROMOSI, OUTLET, PESAING
d. Predictors: (Constant), PROMOSI, OUTLET
e. Dependent Variable: SALES

Analisis:
Keterangan Adjusted R Square
Seperti telah disebut didepan, ada 4 tahapan analisis, dimana pada setiap
tahapan ada variabel yang harus dikeluarkan dari model regresi. Pada tabel
diatas, pada Model 1, terlihat Adjusted R Square (R2 yang disesuaikan)
adalah 0,928. Perhatikan bahwa untuk regresi dengan lebih dari dua variabel
bebas, digunakan Adjusted R2 sebagai koefisien determinasi. Kemudian
pada Model ke 2, dengan mengeluarkan variabel Income (lihat keterangan b.
Predictor dibawah tabel dimana variabel Income sudah hilang), maka R2
yang disesuaikan menjadi 0,935, atau terjadi peningkatan.
Demikian seterusnya hingga pada model final (ke 4), R2 yang disesuaikan
meningkat menjadi 0,944. Semakin tinggi R2 yang disesuaikan akan semakin
baik bagi model regresi, karena variabel bebas bisa menjelaskan variabel
tergantung lebih besar. Disini berarti 94,4% variasi Sales perusahaan bisa
dijelaskan oleh variabel biaya promosi dan outlet yang disewa. Sedangkan
sisanya (100% - 94,4% = 5,6%) dijelaskan oleh sebab-sebab yang lain.
Keterangan Standar Error of Estimate
Juga terlihat dari model diatas, terjadi penurunan besar Standar Error of
Estimate, dari 11,05 (Rp.11,05 juta) pada model 1, menjadi 9,76 (Rp.9,76
juta) pada model ke 4. Selain itu, karena lebih kecil dari standar deviasi Sales

(Rp.41,1 juta), maka model regresi lebih bagus dalam bertindak sebagai
prediktor Sales daripada Rata-rata Sales itu sendiri.
Bagian kelima dan keenam dari output:
ANOVAe

Model
1

Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total

Sum of
Squares
22564.432
1099.168
23663.600
22561.748
1101.852
23663.600
22548.747
1114.853
23663.600
22521.299
1142.301
23663.600

df
5
9
14
4
10
14
3
11
14
2
12
14

Mean
Square
4512.886
122.130

F
36.952

Sig.
.000a

5640.437
110.185

51.191

.000b

7516.249
101.350

74.161

.000c

11260.649
95.192

118.294

.000d

a. Predictors: (Constant), PROMOSI, LAJU_PEN, INCOME, OUTLET, PESAING

b. Predictors: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING
c. Predictors: (Constant), PROMOSI, OUTLET, PESAING
d. Predictors: (Constant), PROMOSI, OUTLET
e. Dependent Variable: SALES

Analisis:
Dari uji ANOVA atau F test, didapat F hitung untuk model 4 atau model
yang dipakai adalah 118,294 dengan tingkat signifikansi 0,0000. Karena
probabilitas (0,000) jauh lebih kecil dari 0,05, maka model regresi bisa
dipakai untuk memprediksi Sales. Atau bisa dikatakan, Promosi dan Luas
Outlet yang disewa secara bersama-sama berpengaruh terhadap Sales.

Coefficientsa

Model
1

(Constant)
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
(Constant)
LAJU_PEN
OUTLET
PESAING
PROMOSI
(Constant)
OUTLET
PESAING
PROMOSI
(Constant)
OUTLET
PROMOSI

Unstandardized
Coefficients
B
Std. Error
50.126
36.000
.548
3.698
2.760
9.485
.550
.123
.970
2.099
2.017
.924
51.275
33.393
3.035
8.835
.551
.117
1.084
1.855
1.960
.797
61.435
14.864
.537
.104
.597
1.147
2.148
.555
64.639
13.112
.535
.101
2.342
.398

Standardi
zed
Coefficien
ts
Beta
.012
.034
.509
.091
.475
.037
.511
.102
.461
.497
.056
.506
.496
.551

t
1.392
.148
.291
4.455
.462
2.183
1.536
.343
4.717
.584
2.459
4.133
5.146
.520
3.870
4.930
5.297
5.892

Sig.
.197
.885
.778
.002
.655
.057
.156
.738
.001
.572
.034
.002
.000
.613
.003
.000
.000
.000

Collinearity Statistics
Tolerance
VIF
.750
.377
.395
.132
.109

1.333
2.651
2.534
7.592
9.162

.392
.397
.152
.132

2.549
2.518
6.573
7.556

.459
.366
.251

2.179
2.729
3.985

.459
.459

2.177
2.177

a. Dependent Variable: SALES

Analisis:
Keterangan Collinearity Statistics:
Perhatikan kolom TOLERANCE atau toleransi.
Sebagai contoh pada model 1 untuk variabel Income, didapat besar tolerance
adalah 0,750. Hal ini berarti R2 adalah 1 0,750 atau 0,250. Hal ini berarti
hanya 25 % variabilitas Income bisa dijelaskan oleh prediktor (variabel
bebas) yang lain.
Default bagi SPSS bagi angka tolerance adalah 0,0001. Semua variabel yang
akan dimasukkan dalam perhitungan model regresi harus mempunyai
tolerance diatas 0,0001. Terlihat bahwa semua variabel telah memenuhi
persyaratan ambang toleransi.
Perhatikan kolom VIF
VIF atau Variance Inflation factor mempunyai persamaan:
VIF = 1 / TOLERANCE
Sebagai contoh, pada model 1 untuk variabel Income, didapat besar tolerance
0,750. Maka besar VIF adalah:
VIF = 1 / 0,75 = 1,333
Pada umumnya, jika VIF lebih besar dari 5, maka variabel tersebut
mempunyai persoalan multikolinieritas dengan variabel bebas yang lainnya.
Jika dilihat pada tabel diatas, maka variabel bebas pesaing dan Promosi
mempunyai VIF lebih dari 5, sehingga bisa diduga ada persoalan
multikolinieritas (korelasi yang besar diantara variabel bebas). Jika dilihat
10

pada model 4, terlihat kedua variabel bebas (OUTLET dan PROMOSI)

mempunyai VIF dibawah 5 (2,177), yang berarti tidak terdapat
multikolinieritas. Untuk analisis multikolinieritas yang lebih lengkap, lihat
bagian lain analisis dibawah.
menggambarkan persamaan regresi:
Pada model 4 pada tabel diatas, pada kolom Unstandardized Coefficient,
didapat persamaan regresi:
Y = 64,639 + 2,342 X1 + 0,535 X2
Dimana:
Y = Sales
X1 = Biaya Promosi
X2 = Luas Outlet
Persamaan tersebut sama dengan persamaan regresi berganda pada kasus
terdahulu, dimana hanya terdapat variabel bebas Promosi dan Outlet.
Persamaan tersebut berarti:
o

Konstanta sebesar 64,639 menyatakan bahwa jika tidak ada Biaya

promosi atau Outlet yang disewa perusahaan, maka Sales adalah
Rp.64,639 juta.

Koefisien regresi X1sebesar 2,342 menyatakan bahwa setiap

penambahan (karena tanda +) Rp. 1,- Biaya Promosi akan meningkatkan
Sales sebesar Rp. 2,342.

Koefisien regresi X2 sebesar 0,535 menyatakan bahwa setiap

penambahan (karena tanda +) 1 m2 Luas Outlet yang disewa akan
meningkatkan Sales sebesar Rp. 0,535.

Uji t untuk menguji signifikansi konstanta dan variabel dependen (promosi).

Berdasarkan Probabilitas:
o

Jika probabilitas > 0,05, maka Ho diterima.

Jika probabilitas < 0,05, maka Ho ditolak.

Keputusan:
Terlihat bahwa pada kolom Sig / significance adalah 0,000, atau probabilitas
jauh dibawah 0,05, Maka Ho ditolak, atau koefisien regresi signifikan, atau
promosi benar-benar berpengaruh secara signifikan terhadap Sales.

11

Demikian juga untuk analisis konstanta dan outlet dengan dua cara tadi
dihasilkan angka konstanta dan outlet yang signifikan.
Bagian ketujuh dari Output:
Collinearity Diagnosticsa

Model
1

Dimension
1
2
3
4
5
6
1
2
3
4
5
1
2
3
4
1
2
3

Eigenvalue
5.774
.120
7.567E-02
1.701E-02
1.108E-02
2.452E-03
4.857
.101
2.342E-02
1.648E-02
2.552E-03
3.937
3.723E-02
1.751E-02
8.330E-03
2.954
3.462E-02
1.124E-02

Condition
Index
1.000
6.944
8.735
18.423
22.827
48.526
1.000
6.942
14.400
17.169
43.623
1.000
10.284
14.994
21.740
1.000
9.237
16.210

(Constant)
.00
.00
.00
.01
.28
.71
.00
.00
.12
.00
.88
.00
.48
.08
.44
.00
.58
.42

INCOME
.00
.13
.26
.02
.54
.05

Variance Proportions
LAJU_PEN
OUTLET
.00
.00
.04
.01
.15
.00
.05
.55
.01
.07
.75
.37
.00
.00
.14
.00
.09
.00
.02
.62
.75
.37
.00
.00
.46
.53
.00
.00
1.00

PESAING
.00
.01
.01
.06
.08
.84
.00
.02
.02
.13
.84
.00
.04
.47
.48

PROMOSI
.00
.01
.00
.05
.13
.81
.00
.01
.17
.01
.81
.00
.14
.03
.82
.00
.41
.59

a. Dependent Variable: SALES

Analisis:
Bagian ini membahas ada tidaknya multikolinieritas atau terjadinya korelasi
diantara sesama variabel bebas. Model regresi yang baik tentunya tidak ada
multikolinier atau adanya korelasi diantara variabel bebas.
Perhatikan kolom-kolom pada tabel diatas:
o

Eigenvalue. Multikolinieritas akan terjadi jika nilai Eugen mendekati 0

Condition Index. Multikolinieritas akan terjadi jika indeks melebihi 15,

dan benar-benar serius problem tersebut jika indeks sampai melebihi 30.

Pada model terakhir yang dipakai (model 4), terlihat nilai variabel bebas
Promosi dan Outlet (kode 2 dan 3) mempunyai nilai Eugen yang mendekati
0, dan ada indeks variabel bebas yang melebihi angka 15. Hal ini berarti ada
dugaan terjadi problem multikolinieritas, yaitu adanya korelasi diantara
variabel Promosi dan Outlet.
Untuk menyelesaikan problem model regresi
multikolinieritas, bisa dilihat pada buku statistik lanjutan.
Output bagian delapan:

12

dengan

adanya

Excluded Variablesd

Model
2
3
4

INCOME
INCOME
LAJU_PEN
INCOME
LAJU_PEN
PESAING

Beta In
.012a
.017b
.037b
.027c
-.011c
.056c

t
.148
.219
.343
.393
-.165
.520

Sig.
.885
.831
.738
.702
.872
.613

Partial
Correlation
.049
.069
.108
.118
-.050
.155

Collinearity Statistics
Minimum
Tolerance
VIF
Tolerance
.750
1.333
.109
.780
1.282
.211
.392
2.549
.132
.885
1.130
.434
.945
1.058
.436
.366
2.729
.251

a. Predictors in the Model: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING

b. Predictors in the Model: (Constant), PROMOSI, OUTLET, PESAING
c. Predictors in the Model: (Constant), PROMOSI, OUTLET
d. Dependent Variable: SALES

Analisis:
Bagian ini membahas proses mengeluarkan (elimination) variabel bebas yang
tidak layak dimasukkan dalam model regresi. Eliminasi didasarkan pada
besaran t (hitung). Pada model 1 dicari variabel bebas dengan t hitung
TERKECIL, yang didapat variabel Income (perhatikan yang dilihat BESAR t
HITUNG, sedangkan TANDA t HITUNG TIDAK BERPENGARUH), maka
variabel Income dikeluarkan (excluded). Demikian seterusnya hingga didapat
tiga variabel bebas (model 4) yang dikeluarkan dari model regresi.

2. FORWARD ELIMINATION
Metode ini sebenarnya sama dengan prosedur Backward, hanya disini
variabel bebas dimasukkan tidak sekaligus, namun satu persatu.
Langkah-langkah:
o

Buka file regresi_berganda_2.

Dari Menu Utama SPSS, pilih menu Analyze, kemudian pilih sub-menu
Regression. Dari serangkaian pilihan test untuk regresi, sesuai kasus
pilih Linear... Tampak di layar kotak dialog LINEAR REGRESSION.
Pengisian:
Dependent atau variabel tergantung. Pilih variabel sales
Independent(s) atau variabel bebas. Pilih variabel promosi, outlet,
laju_pen, pesaing dan income.
Case Labels atau keterangan pada kasus. Pilih daerah.

13

 Method atau cara memasukkan/seleksi variabel. Sesuai dengan

kasus, pilih Forward.
Pilih kolom Statistics dengan klik mouse pada pilihan tersebut.
Tampak di layar:

Gambar 4. Pilihan Statistics

Perhatikan default yang ada di SPSS adalah Estimates dan Model
fit
Pengisian:

Regression Coefficient atau perlakuan koefisien regresi, pilih

default atau ESTIMATE.

Klik mouse pada pilihan Descriptive dan Collinearity

diagnostics pada kolom sebelah kanan, selain pilihan Model fit.

Pilihan Residuals dikosongkan saja.

Klik Continue untuk kembali ke kotak dialog sebelumnya.

Pilihan-pilihan yang lainnya untuk keseragaman tidak dibahas disini.
Tekan OK untuk proses data.
Output SPSS dan Analisis:
Simpan output dengan nama regresi_berganda_for
ANALISIS:
(tidak semua output dibahas)
Bagian satu dan dua output:
Output regresi berganda untuk dua bagian ini sama dengan metode
Backward, sehingga analisis bisa dilihat pada metode Backward di depan.
Bagian ketiga dan keempat dari output diatas:

14

Variables Entered/Removeda

Model
1

Variables
Entered

Variables
Removed

PROMOSI

OUTLET

Method
Forward
(Criterion:
Probabilit
y-of-F-to-e
nter <=
.050)
Forward
(Criterion:
Probabilit
y-of-F-to-e
nter <=
.050)

a. Dependent Variable: SALES

Analisis:
Metode forward dimulai dengan memasukkan satu per satu variabel, dan
terlihat pada tabel diatas, dari lima variabel bebas, hanya dua variabel
(Promosi dan Outlet) yang layak masuk dalam model regresi. Disini Model 1
hanya memasukkan variabel Promosi, dan Model 2 menambahkan variabel
Oulet dalam model regresi.
Model Summaryc

Model
1
2

R
R Square
.916a
.839
b
.976
.952

Adjusted
R Square
.826
.944

Std. Error
of the
Estimate
17.13
9.76

a. Predictors: (Constant), PROMOSI

b. Predictors: (Constant), PROMOSI, OUTLET
c. Dependent Variable: SALES

Analisis:
Adjusted R Square
Perhatikan bahwa untuk regresi dengan lebih dari dua variabel bebas,
digunakan Adjusted R2 sebagai koefisien determinasi (ada lima variabel
bebas). Terlihat pada model 1, hasil Adjusted R2 adalah 0,839.
Kemudian pada model 2, dengan penambahan variabel Outlet, R2 yang
disesuaikan meningkat menjadi 0,944. Semakin tinggi R2 yang disesuaikan
akan semakin baik bagi model regresi, karena variabel bebas bisa
menjelaskan variabel tergantung lebih besar. Disini berarti 94,4% Sales
15

perusahaan bisa dijelaskan oleh variabel biaya promosi dan outlet yang
disewa. Sedangkan sisanya (100 % - 94,4 % = 5,6 %) dijelaskan oleh sebabsebab yang lain.
Standar Error of Estimate
Juga terlihat dari model diatas, terjadi penurunan besar Standar Error of
Estimate, dari 17,13 (Rp. 17,13 juta) pada model 1, menjadi 9,76 (Rp.9,76
juta) pada model ke 2. Selain itu, karena lebih kecil dari standar deviasi Sales
(Rp. 41,1 juta), maka model regresi lebih bagus dalam bertindak sebagai
prediktor Sales daripada Rata-rata Sales itu sendiri.
Bagian kelima dan keenam dari output:

ANOVAc

Model
1

Regression
Residual
Total
Regression
Residual
Total

Sum of
Squares
19850.334
3813.266
23663.600
22521.299
1142.301
23663.600

df
1
13
14
2
12
14

Mean
Square
19850.334
293.328
11260.649
95.192

F
67.673

Sig.
.000a

118.294

.000b

a. Predictors: (Constant), PROMOSI

b. Predictors: (Constant), PROMOSI, OUTLET
c. Dependent Variable: SALES

Analisis:
Dari uji ANOVA atau F test, didapat F hitung untuk model 2 atau model
yang dipakai adalah 118,294 dengan tingkat signifikansi 0,0000. Karena
probabilitas (0,000) jauh lebih kecil dari 0,05, maka model regresi bisa
dipakai untuk memprediksi Sales. Atau bisa dikatakan, Promosi dan Luas
Outlet yang disewa secara bersama-sama berpengaruh terhadap Sales.

Coefficientsa

Model
1
2

(Constant)
PROMOSI
(Constant)
PROMOSI
OUTLET

Unstandardized
Coefficients
B
Std. Error
111.523
16.982
3.891
.473
64.639
13.112
2.342
.398
.535
.101

a. Dependent Variable: SALES

16

Standardi
zed
Coefficien
ts
Beta
.916
.551
.496

t
6.567
8.226
4.930
5.892
5.297

Sig.
.000
.000
.000
.000
.000

Collinearity Statistics
Tolerance
VIF
1.000

1.000

.459
.459

2.177
2.177

Analisis:
Collinearity Statistics:
Perhatikan kolom TOLERANCE atau toleransi.
Sebagai contoh pada model 2 untuk variabel promosi, didapat besar tolerance
adalah 0,459. Hal ini berarti R2 adalah 1 0,459 atau 0,541. Hal ini berarti
hanya 54,1 % variabilitas promosi bisa dijelaskan oleh prediktor (variabel
bebas) yang lain.
Default bagi SPSS bagi angka tolerance adalah 0,0001. Semua variabel yang
akan dimasukkan dalam perhitungan model regresi harus mempunyai
tolerance diatas 0,0001. Terlihat bahwa semua variabel telah memenuhi
persyaratan ambang toleransi.
Perhatikan kolom VIF
Sebagai contoh, pada model 1 untuk variabel promosi, didapat besar
tolerance 0,459. Maka besar VIF adalah:
VIF = 1 / 0,459 = 2,177
Pada umumnya, jika VIF lebih besar dari 5, maka variabel tersebut
mempunyai persoalan multikolinieritas dengan variabel bebas yang lainnya.
Jika dilihat pada tabel diatas, maka variabel bebas Outlet dan Promosi
mempunyai VIF kurang dari 5, sehingga bisa diduga tidak ada persoalan
multikolinieritas yang serius.
menggambarkan persamaan rgresi:
Pada model 4, didapat persamaan regresi:
Y = 64,639 + 2,342 X1 + 0,535 X2
Dimana:
Y = Sales
X1 = Biaya Promosi
X2 = Luas Outlet
Persamaan tersebut sama dengan persamaan regresi berganda pada kasus
terdahulu, dimana hanya terdapat variabel bebas Promosi dan Outlet.
Persamaan tersebut berarti:
o

Konstanta sebesar 64,639 menyatakan bahwa jika tidak ada Biaya

promosi atau Outlet yang disewa perusahaan, maka Sales adalah
Rp.64,639 juta.
17

Koefisien regresi X1sebesar 2,343 menyatakan bahwa setiap

penambahan (karena tanda +) Rp. 1,- Biaya Promosi akan meningkatkan
Sales sebesar Rp. 2,342.

Koefisien regresi X2 sebesar 0,535 menyatakan bahwa setiap

penambahan (karena tanda +) 1 m2 Luas Outlet yang disewa akan
meningkatkan Sales sebesar Rp. 0,535.

Uji t untuk menguji signifikansi konstanta dan variabel dependen (promosi).

Berdasarkan Probabilitas:
o

Jika probabilitas > 0,05, maka Ho diterima

Jika probabilitas < 0,05, maka Ho ditolak

Keputusan:
Terlihat bahwa pada kolom Sig / significance adalah 0,000, atau probabilitas
jauh dibawah 0,05, Maka Ho ditolak, atau koefisien regresi signifikan, atau
promosi benar-benar berpengaruh secara signifikan terhadap Sales.
Demikian juga untuk analisis konstanta dan outlet dengan dua cara tadi
dihasilkan angka konstanta dan outlet yang signifikan.
Bagian ketujuh dari Output (disini sengaja dibalik dengan output kedelapan):

Collinearity Diagnosticsa

Model
1
2

Dimension
1
2
1
2
3

Eigenvalue
1.965
3.450E-02
2.954
3.462E-02
1.124E-02

Condition
Index
1.000
7.548
1.000
9.237
16.210

Variance Proportions
(Constant) PROMOSI OUTLET
.02
.02
.98
.98
.00
.00
.00
.58
.41
.00
.42
.59
1.00

a. Dependent Variable: SALES

Analisis:
Bagian ini membahas ada tidaknya multikolinieritas atau terjadinya korelasi
diantara sesama variabel bebas. Model regresi yang baik tentunya tidak ada
multikolinier atau adanya korelasi diantara variabel bebas.
Pada model terakhir yang dipakai (model 4), terlihat nilai variabel bebas
Promosi dan Outlet (kode 2 dan 3) mempunyai nilai Eugen yang mendekati
0. Sedangkan indeks variabel Outlet melebihi angka 15. Hal ini berarti ada
18

dugaan terjadi problem multikolinieritas, yaitu adanya korelasi diantara

variabel Promosi dan Outlet.
Untuk menyelesaikan problem model regresi
multikolinieritas, bisa dilihat pada buku statistik lanjutan.

dengan

adanya

Output bagian delapan:

Excluded Variablesc

Model
1

INCOME
LAJU_PEN
OUTLET
PESAING
INCOME
LAJU_PEN
PESAING

Beta In
.026a
-.087a
.496a
.041a
.027b
-.011b
.056b

t
.212
-.769
5.297
.214
.393
-.165
.520

Sig.
.835
.457
.000
.834
.702
.872
.613

Partial
Correlation
.061
-.217
.837
.062
.118
-.050
.155

Collinearity Statistics
Minimum
Tolerance
VIF
1.130
.885
1.004
.996
2.177
.459
2.727
.367
1.130
.434
1.058
.436
2.729
.251

Tolerance
.885
.996
.459
.367
.885
.945
.366

a. Predictors in the Model: (Constant), PROMOSI

b. Predictors in the Model: (Constant), PROMOSI, OUTLET
c. Dependent Variable: SALES

Analisis:
Pada model 1 dicari variabel bebas dengan t hitung TERBESAR, hingga
empat variabel dengan t hitung lebih kecil dikeluarkan. Pada model 2,
dilanjutkan dengan mengeluarkan tiga variabel, dan memasukkan variabel
Outlet dalam model regresi.
Perhatikan bahwa cara perhitungan dengan Forward menghasilkan model
regresi yang sama dengan perhitungan Backward.

3. STEPWISE METHOD
Metode Stepwise adalah salah satu metode yang sering dipakai dalam analisis
regresi. Metode ini hampir sama dengan Forward , hanya disini variabel yang
telah dimasukkan dalam model regresi bisa dikeluarkan lagi dari model.
Metode ini dimulai dengan memasukkan variabel bebas yang punya korelasi
paling kuat dengan variabel dependen. Kemudian setiap kali pemasukan
variabel bebas yang lain, dilakukan pengujian untuk tetap memasukkan
variabel bebas atau mengeluarkannya.
Kasus yang dipakai tetap kasus P.T. CEMERLANG dengan tujuh variabel.
Langkah-langkah:

19

Buka file regresi_berganda_2.

Dari Menu Utama SPSS, pilih menu Analyze, kemudian pilih sub-menu
Regression. Dari serangkaian pilihan test untuk regresi, sesuai kasus
pilih Linear... Tampak di layar kotak dialog LINEAR REGRESSION.
Pengisian:
Dependent atau variabel tergantung. Pilih variabel sales.
Independent(s) atau variabel bebas. Pilih variabel promosi, outlet,
laju_pen, pesaing dan income.
Case Labels atau keterangan pada kasus. Pilih daerah.
Method atau cara memasukkan /seleksi variabel. Sesuai dengan
kasus, pilih Stepwise.
Pilih kolom Statistics, dengan pengisian:

Regression Coefficient atau perlakuan koefisien regresi, pilih

default atau ESTIMATE.

Klik mouse pada pilihan Descriptive dan Collinearity

diagnostics pada kolom sebelah kanan, selain pilihan Model fit.

Pilihan Residuals dikosongkan saja

Klik Continue untuk kembali ke kotak dialog sebelumnya.

Pilihan-pilihan yang lainnya untuk keseragaman tidak dibahas disini.
Tekan OK untuk mengakhiri pengisian prosedur analisis. Terlihat SPSS
melakukan pekerjaan analisis.
Output SPSS dan Analisis:
Simpan output dengan nama regresi_berganda_step

Regression

20

Descriptive Statistics

SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI

Mean
246.40
3.3280
1.9833
187.93
16.20
34.67

Std.
Deviation
41.11
.9221
.5070
38.09
3.88
9.68

N
15
15
15
15
15
15

Correlations

Pearson
Correlation

Sig.
(1-tailed)

SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI
SALES
INCOME
LAJU_PEN
OUTLET
PESAING
PROMOSI

SALES
1.000
-.287
-.143
.901
.744
.916
.
.150
.305
.000
.001
.000
15
15
15
15
15
15

INCOME
-.287
1.000
-.111
-.252
-.073
-.339
.150
.
.347
.183
.397
.108
15
15
15
15
15
15

LAJU_PEN
-.143
-.111
1.000
-.199
-.495
-.062
.305
.347
.
.238
.030
.413
15
15
15
15
15
15

OUTLET
.901
-.252
-.199
1.000
.574
.735
.000
.183
.238
.
.013
.001
15
15
15
15
15
15

PESAING
.744
-.073
-.495
.574
1.000
.796
.001
.397
.030
.013
.
.000
15
15
15
15
15
15

PROMOSI
.916
-.339
-.062
.735
.796
1.000
.000
.108
.413
.001
.000
.
15
15
15
15
15
15

21

Variables Entered/Removeda

Model
1

Variables
Entered

Variables
Removed

PROMOSI

OUTLET

Method
Stepwise
(Criteria:
Probabilit
y-of-F-to-e
nter <=
.050,
Probabilit
y-of-F-to-r
emove
>= .100).
Stepwise
(Criteria:
Probabilit
y-of-F-to-e
nter <=
.050,
Probabilit
y-of-F-to-r
emove
>= .100).

a. Dependent Variable: SALES

Model Summaryc

Model
1
2

R
R Square
.916a
.839
.976b
.952

Adjusted
R Square
.826
.944

Std. Error
of the
Estimate
17.13
9.76

a. Predictors: (Constant), PROMOSI

b. Predictors: (Constant), PROMOSI, OUTLET
c. Dependent Variable: SALES

ANOVAc

Model
1

Regression
Residual
Total
Regression
Residual
Total

Sum of
Squares
19850.334
3813.266
23663.600
22521.299
1142.301
23663.600

df
1
13
14
2
12
14

a. Predictors: (Constant), PROMOSI

b. Predictors: (Constant), PROMOSI, OUTLET
c. Dependent Variable: SALES

22

Mean
Square
19850.334
293.328
11260.649
95.192

F
67.673

Sig.
.000a

118.294

.000b

Coefficientsa

Model
1
2

(Constant)
PROMOSI
(Constant)
PROMOSI
OUTLET

Unstandardized
Coefficients
B
Std. Error
111.523
16.982
3.891
.473
64.639
13.112
2.342
.398
.535
.101

Standardi
zed
Coefficien
ts
Beta

t
6.567
8.226
4.930
5.892
5.297

.916
.551
.496

Sig.
.000
.000
.000
.000
.000

Collinearity Statistics
Tolerance
VIF
1.000

1.000

.459
.459

2.177
2.177

a. Dependent Variable: SALES

Excluded Variablesc

Model
1

INCOME
LAJU_PEN
OUTLET
PESAING
INCOME
LAJU_PEN
PESAING

Beta In
.026a
-.087a
.496a
.041a
.027b
-.011b
.056b

t
.212
-.769
5.297
.214
.393
-.165
.520

Sig.
.835
.457
.000
.834
.702
.872
.613

Partial
Correlation
.061
-.217
.837
.062
.118
-.050
.155

Collinearity Statistics
Minimum
Tolerance
Tolerance
VIF
.885
1.130
.885
.996
1.004
.996
.459
2.177
.459
.367
2.727
.367
.885
1.130
.434
.945
1.058
.436
.366
2.729
.251

a. Predictors in the Model: (Constant), PROMOSI

b. Predictors in the Model: (Constant), PROMOSI, OUTLET
c. Dependent Variable: SALES

Collinearity Diagnosticsa

Model
1
2

Dimension
1
2
1
2
3

Eigenvalue
1.965
3.450E-02
2.954
3.462E-02
1.124E-02

Condition
Index
1.000
7.548
1.000
9.237
16.210

Variance Proportions
(Constant) PROMOSI OUTLET
.02
.02
.98
.98
.00
.00
.00
.58
.41
.00
.42
.59
1.00

a. Dependent Variable: SALES

23

Residuals Statisticsa

Predicted
Value
Residual
Std.
Predicted
Value
Std.
Residual

Mean

Std.
Deviation

Minimum

Maximum

194.09

323.83

246.40

40.11

N
15

-14.89

17.84

-5.68E-15

9.03

15

-1.304

1.930

.000

1.000

15

-1.526

1.829

.000

.926

15

a. Dependent Variable: SALES

ANALISIS:
Dari berbagai tabel output, terlihat bahwa semuanya sama persis dengan hasil
dari metode Forward. Karena itu, analisis sama dengan analisis metode
Forward yang telah dijelaskan didepan.
PENUTUP
Dari analisis regresi berganda yang menggunakan tiga metode, yaitu
Backward, Forward dan Stepwise, didapat kesimpulan yang sama, yaitu:
Hanya dua variabel bebas yang dimasukkan dalam model regresi, yaitu
PROMOSI dan OUTLET. Sedangkan persamaan regresi yang didapat
adalah:
Y = 64,639 + 2,342 X1 + 0,535 X2
Dimana:
Y = Sales, sedang X1= Biaya Promosi, dan X2= Luas Outlet.

24